yayuk anggraini
TRANSCRIPT
-
8/11/2019 YAYUK ANGGRAINI
1/50
PENGENALAN TULISAN TANGAN HURUF JAWI (ARAB MELAYU)
BERBENTUK KATA MENGGUNAKAN JARINGAN SARAF TIRUAN
SKRIPSI
YAYUK ANGGRAINI
091402009
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
2014
-
8/11/2019 YAYUK ANGGRAINI
2/50
ABSTRAK
Perkembangan teknologi dimasa sekarang begitu pesat, terutama dibidang komputer.
Hal ini disebabkan komputer lebih unggul dibandingkan dengan alat hitung lainnya
karena mampu mengingat data, mengambil keputusan yang logis, mengelola data dan
informasi dan sebagainya. Salah satu yang sedang popular saat ini adalah teknologi
pengenalan huruf. Pengenalan huruf tangan adalah proses untuk mengenali tulisan
huruf seseorang oleh komputer. Penelitian ini adalah membuat sistem pengenalan
tulisan tangan berbentuk huruf jawi (arab melayu) yang inputnya berupa tulisan huruf
jawi (arab melayu) dan di scan, dikenali dengan huruf jawi (arab melayu)
menggunakan jaringan saraf tiruan. Metode zoning digunakan untuk meningkatkan
nilai fitur pada jaringan propagasi balik pada pengenalan huruf tulisan tangan. Metode
ini membagi data sampel di bagi menjadi 30x17 zona, yaitu 510 zona dengan ukuran
masing-masing zona adalah 10x10 piksel. Metode zoningmenghitung jumlah piksel
aktif (hitam) setiap zona dan melakukan perbandingan terhadap zona yang memiliki
jumlah piksel aktif paling banyak. Selain itu juga dihitung rata-rata nilai zona setiap
baris dan kolom. Dari ekstraksi fitur tersebut didapatkan 510 nilai fitu. Nilai fitur
tersebut dijadikan masukan untuk klasifikasi menggunakan jaringan propagasi balik.
Sebanyak 84 data sampel digunakan untuk pelatihan dan 21 data sampel berbeda
digunakan untuk uji tingkat pengenalan. Dari pengujian yang dilakukan didapatkan
tingkat pengenalan menggunakan metodezoningfitur ekstraksi ini adalah 89.05%.
Kata Kuncihuruf tulisan tangan, jaringan saraf tiruan, propagasi balik,zoning.
-
8/11/2019 YAYUK ANGGRAINI
3/50
Recognation on Jawi Letter Handwritting (Malayan Arab)
By Words Using Artificial Neural Network
ABSTRACT
Technology nowadays had been developed rapidly, escpecially on computing. This
issue is caused by computing is better than any other computations because it could
memorizing the data, making logical decision, managing data and informations.
Handwritting recognation is a process to recognize human handwritting by computer.
In this research, the system made to recognize jawi letters (malayan arab) which the
input constituted as scanned jawi letters handwritting, the method is using artificial
neural network. Zoning method used to increase feature value on back propagation
network at handwritting recognation. This method devided the sample to devide into
30x17 zone, is 510 zones with each zone with 10x10 pixel. The zoning method counts
the amount of the active pixel (black) for each zone and process the comparison about
the zone that have the most active pixel. Beside that it also count the average for the
zone value for each row and colomn. By this extraction featured, gains 510 feature
values. Feature values becomes input to classify using back propagation network.
Eighty four of data samples to be used as trainning and 21 of deifferent data samples
to be used to testing recognation. Along with the testing, resulting recognation level of
this zoning feature extraction is 89.05%.
Keyword-- letter handwritting, artificial neural network, back propagation, zoning.
-
8/11/2019 YAYUK ANGGRAINI
4/50
DAFTAR ISI
PERSETUJUAN ............................................................................................................ i
PERNYATAAN ........................................................................................................... ii
PENGHARGAAN ....................................................................................................... iii
ABSTRAK................................................................................................................... iv
ABSTRACT .................................................................................................................. v
DAFTAR ISI ................................................................................................................ vi
DAFTAR TABEL ......................................................................................................viiiDAFTAR GAMBAR................................................................................................... ix
BAB 1 PENDAHULUAN ............................................................................................ 1
1.1. Latar Belakang ............................................................................................ 1
1.2. Rumusan Masalah ....................................................................................... 2
1.3. Batasan Masalahs ........................................................................................ 2
1.4. Tujuan Penelitian ........................................................................................ 3
1.5. Manfaat Penelitian 3
1.6. Metode Penelitian ....................................................................................... 3
1.7. Sistematika Penulisan ................................................................................. 4
BAB 2 TINJAUAN PUSTAKA ................................................................................... 6
2.1. Pra-Pengenalan Pola ................................................................................... 6
2.1.1. Citra Digital 6
2.2. Pengolahan Citra 7
a. Pembentukan Matriks Biner 7b. Normalisasi 7
c. Thinning .................................................................................................. 8
2.3. Ekstraksi Fitur............................................................................................. 8
2.3.1. Zoning 9
2.4. Jaringan Saraf Tiruan .................................................................................. 9
2.5. Algoritma Propagasi Balik.......................................................................... 9
1. Algoritma Pelatihan 11
-
8/11/2019 YAYUK ANGGRAINI
5/50
2. Algoritma Aplikasi 12
2.5.1. Fungsi Aktifasi 13
2.5.2. Inisialisasi Bobot dan Bias 14
1. Inisialisasi Acak 14
2. Inisialisasi Nguyen Windrow 14
2.5.3. Pengupdate Bobot dengan Momentum 15
BAB 3 ANALISIS DAN PERANCANGAN ............................................................. 17
3.1. Analisis data Sistem 17
3.2. Pra-Pengolahan Citra 17
a. Pembentukan Matrik Biner 18
b. Normalisasi 19
c. Thinning ................................................................................................ 20
3.3. Ekstraksi Fitur........................................................................................... 21
3.4. Metode Ekstraksi Zoning 22
3.5. Tahap Setelah Ekstraksi Fitur................................................................... 24
3.6. Perancangan Jaringan Propagasi Balik 24
3.6.1. Proses Pelatihan 26
3.6.2. Proses Pengujian ............................................................................. 27
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM ........................................... 28
4.1. Implementasi ............................................................................................. 28
4.2. Spesifikasi Perangkat Keras dan Perangkat Keras .................................... 29
4.3. Pengujian . 29
4.4. Persiapan Sistem Jaringan Saraf Tiruan 29
4.5. Hasil Pelatihan 30
4.6. Hasil Pelatihan Jaringan Saraf Tiruan 31
4.7. Hasil Pengujian Jaringan Saraf Tiruan..................................................... 35
BAB 5 KESIMPULAN DAN SARAN ...................................................................... 38
5.1. Kesimpulan .............................................................................................. 38
5.2. Saran ........................................................................................................ 38
DAFTAR PUSTAKA ................................................................................................. 39
LAMPIRAN A 41
-
8/11/2019 YAYUK ANGGRAINI
6/50
DAFTAR TABEL
Hal
Tabel 1. Vektor Output dan Target Keluaran Jaringan 26
Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik 31
Tabel 4.2 Hasil Pengujian Jaringan Saraf Tiruan Propagasi Balik 36
-
8/11/2019 YAYUK ANGGRAINI
7/50
DAFTAR GAMBAR
Hal
Gambar 2.1 Jaringan Propagasi Balik dengan Satu Buah Lapisan Tersembunyi 10
Gambar 2.2 Fungsi Sigmoid Biner dengan Rentang (0,1) 14
Gambar 3.1 Tahapan Pra-Pengolahan Citra 18
Gambar 3.2 Flowchart Matriks Biner 19
Gambar 3.3 Citra Hasil Normalisasi 20
Gambar 3.4 Citra Hasil Thinning 20Gambar 3.5 Diagram Ekstraksi Fitur 21
Gambar 3.6 Flowchart Ekstraksi Fitur Zoning 23
Gambar 3.7 Hasil Zoning 24
Gambar 4.1 Input Citra Pengujian 30
Gambar 4.2 Output Citra Pengujian 30
Gambar 4.3 Hasil Citra Algoritma Zoning 30
-
8/11/2019 YAYUK ANGGRAINI
8/50
ABSTRAK
Perkembangan teknologi dimasa sekarang begitu pesat, terutama dibidang komputer.
Hal ini disebabkan komputer lebih unggul dibandingkan dengan alat hitung lainnya
karena mampu mengingat data, mengambil keputusan yang logis, mengelola data dan
informasi dan sebagainya. Salah satu yang sedang popular saat ini adalah teknologi
pengenalan huruf. Pengenalan huruf tangan adalah proses untuk mengenali tulisan
huruf seseorang oleh komputer. Penelitian ini adalah membuat sistem pengenalan
tulisan tangan berbentuk huruf jawi (arab melayu) yang inputnya berupa tulisan huruf
jawi (arab melayu) dan di scan, dikenali dengan huruf jawi (arab melayu)
menggunakan jaringan saraf tiruan. Metode zoning digunakan untuk meningkatkan
nilai fitur pada jaringan propagasi balik pada pengenalan huruf tulisan tangan. Metode
ini membagi data sampel di bagi menjadi 30x17 zona, yaitu 510 zona dengan ukuran
masing-masing zona adalah 10x10 piksel. Metode zoningmenghitung jumlah piksel
aktif (hitam) setiap zona dan melakukan perbandingan terhadap zona yang memiliki
jumlah piksel aktif paling banyak. Selain itu juga dihitung rata-rata nilai zona setiap
baris dan kolom. Dari ekstraksi fitur tersebut didapatkan 510 nilai fitu. Nilai fitur
tersebut dijadikan masukan untuk klasifikasi menggunakan jaringan propagasi balik.
Sebanyak 84 data sampel digunakan untuk pelatihan dan 21 data sampel berbeda
digunakan untuk uji tingkat pengenalan. Dari pengujian yang dilakukan didapatkan
tingkat pengenalan menggunakan metodezoningfitur ekstraksi ini adalah 89.05%.
Kata Kuncihuruf tulisan tangan, jaringan saraf tiruan, propagasi balik,zoning.
-
8/11/2019 YAYUK ANGGRAINI
9/50
Recognation on Jawi Letter Handwritting (Malayan Arab)
By Words Using Artificial Neural Network
ABSTRACT
Technology nowadays had been developed rapidly, escpecially on computing. This
issue is caused by computing is better than any other computations because it could
memorizing the data, making logical decision, managing data and informations.
Handwritting recognation is a process to recognize human handwritting by computer.
In this research, the system made to recognize jawi letters (malayan arab) which the
input constituted as scanned jawi letters handwritting, the method is using artificial
neural network. Zoning method used to increase feature value on back propagation
network at handwritting recognation. This method devided the sample to devide into
30x17 zone, is 510 zones with each zone with 10x10 pixel. The zoning method counts
the amount of the active pixel (black) for each zone and process the comparison about
the zone that have the most active pixel. Beside that it also count the average for the
zone value for each row and colomn. By this extraction featured, gains 510 feature
values. Feature values becomes input to classify using back propagation network.
Eighty four of data samples to be used as trainning and 21 of deifferent data samples
to be used to testing recognation. Along with the testing, resulting recognation level of
this zoning feature extraction is 89.05%.
Keyword-- letter handwritting, artificial neural network, back propagation, zoning.
-
8/11/2019 YAYUK ANGGRAINI
10/50
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Perkembangan teknologi dimasa sekarang begitu pesat, terutama di bidang komputer.
Pemanfaatan komputer semakin digunakan untuk mempermudah pekerjaan, karena
setiap informasi yang dihasilkan akan selalu ditampilkan kedalam bentuk informasi
yang akurat dan spesifik, baik itu dibidang pendidikan, kesehatan, ekonomi dan
sebagainya. Hal ini disebabkan komputer lebih unggul dibandingkan dengan alat
hitung lainnya karena mampu mengingat data, mengambil keputusan yang logis,
mengelola data dan informasi dan sebagainya. Salah satunya yang sedang popular saat
ini adalah teknologi pengenalan huruf. Pengenalan huruf tangan adalah proses untuk
mengenali tulisan huruf seseorang oleh komputer.
Pengenalan tulisan tangan secara luas dianggap sebagai salah satu masalah
yang paling sulit dalam bidang pengenalan pola karena besarnya variasi yang hadir
dalam pola masukan (Plamondon & Srihari, 2000). Penelitian mengenai penulisan
tangan banyak dilakukan salah satunya adalah Pengenalan Tulisan Tangan Latin
Bersambung Menggunakan Jaringan Saraf Tiruan Propagasi Balik (Khairunnisa,2012).
Tahapan awal untuk pengenalan tulisan tangan adalah prapengolahan citra, dan
fitur ekstraksi. Beberapa metode ekstraksi yang dapat digunakan adalah model
deformable, profil kontur,zoning, momen zernike, dekriptor fourier dan gabor.
Pada penelitian ini penulis mengambil fitur ekstraksi dengan metode zoning.
Untuk setiap data sampel yang telah melalui proses prapengolahan citra akan
dilakukan ekstraksi fitur. Ekstrak sidilakukan menggunakan metode zoning.
-
8/11/2019 YAYUK ANGGRAINI
11/50
Jaringan saraf tiruan adalah sistem pemroses informasi yang memiliki karakteristik
mirip dengan jaringan saraf manusia. Jaringan saraf tiruan telah banyak digunakan
dalam bidang pengenalan pola (pattern rcognition). salah satu implementasinya
adalah pengenalan karakter. Metode propagasi balik merupakan metode yang sangat
baik dalam menangani masalah pengenalan pola-pola kompleks, metode ini
merupakan metode jaringan saraf tiruan yang populer (Puspitaningrum, 2006).
Permasalahan yang muncul pada proses pengenalan tulisan tangan adalah
bagaimana sebuah teknik pengenalan dapat mengenali berbagai tulisan tangan dengan
ukuran, ketebalan yang berbeda, posisi kemiringan citra tulisan pada saat pengambilan
citra tulisan tangan tersebut melalui alat camera atau scanner. Dari permasalahan
tersebut dapat diambil satu permasalahan utama yaitu bagaimana tulisan tangan dapat
dikenali sebagai kata yang benar, bagaimana mekanisme algoritma yang diterapkan
sehingga mekanisme ukuran dan bentuk pola yang berbeda, pola tersebut dapat
dikenali sebagai kata yang sama dan faktor apa saja yang dapat mempengaruhi hasil
pengenalannya.
Pada Tugas Akhir ini, akan dibahas pengenalan tulisan tangan yang berbentuk
huruf jawi (arab melayu) dalam bentuk kata. Pengenalan dilakukan dengan jaringansaraf tiruan menggunakan metode propagasi balik.
1.2 Rumusan Masalah
Berdasarkana latar belakang diatas dapat diambil satu permasalahan yaitu :
Bagaimana komputer dapat mengenali karakter dari tulisan tangan yang berbentuk
huruf jawi (arab melayu)
1.3 Batasan Masalah
Adapun batasan masalah pada penelitian ini adalah:
1. Citra gambar berupa tulisan tangan yang berbentuk huruf jawi (arab
melayu) dalam bentuk kata.
2.
Diambil dari 12 tulisan tangan orang, dengan setiap orang menuliskan 7
sampel kata yang berbeda.
-
8/11/2019 YAYUK ANGGRAINI
12/50
3. Metode yang dipakai adalah jaringan saraf tiruan
4. Arsitektur jaringan saraf tiruan yang dipakai adalah jaringan saraf tiruan
propagasi balik.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah membuat sistem pengenalan tulisan tangan berbentuk
huruf jawi (arab melayu) yang inputnya berupa tulisan huruf jawi dan discan, dikenali
dengan huruf jawi menggunakan jaringan saraf tiruan.
1.5
Manfaat Penelitian
Manfaat dari penelitian ini adalah:
1. Agar dapat dijadikan salah satu alternative lain dalam pengenalan tulisan
tangan yang berbentuk hufur jawi.
2. Mengetahui kemampuan metode jaringan saraf tiruan propagasi balik untuk
pengenalan tulisan tangan yang berbentuk huruf jawi .
3.
Menambah pemahaman penulis tentang jaringan saraf tiruan propagasi balik
untuk pengenalan tulisan tangan yang berbentuk huruf jawi.
1.6 Metode Penelitian
Tahapan-tahapan yang akan dilakukan pada pelaksanaan skripsi ini adalah sebagai
berikut:
1. Studi Literatur
Studi literatur dilakukan dengan mengumpulkan bahan-bahan referensi baikdari buku, artikel, paper, jurnal, makalah, maupun situs-situs internet. Studi
literatur yang dilakukan terkait dengan pengenalan tulisan tangan.
2. Analisis Permasalahan
Pada tahap ini dilakukan analisis terhadap hasil studi literatur untuk
mengetahui dan mendapatkan pemahaman mengenai jaringan saraf tiruan
untuk menyelesaikan masalah pengenalan tulisan tangan.
-
8/11/2019 YAYUK ANGGRAINI
13/50
3. Perancangan Sistem
Pada tahap ini dilakukan perancangan arsitektur, pengumpulan data pelatihan,
pemilihan lingkungan pengembangan dan perancangan antarmuka. Proses
perancangan dilakukan berdasarkan hasil analisis studi literatur yang telah
didapatkan.
4. Implementasi Sistem
Pada tahap ini dilakukan proses implementasi pengkodean program dalam
aplikasi komputer menggunakan bahasa pemrograman yang telah dipilih yang
sesuai dengan analisis dan perancangan yang sudah dilakukan. Pelatihan
jaringan, verifikasi dan validasi.
5. Pengujian
Pada tahap ini dilakukan proses pengujian dan percobaan terhadap sistem
sesuai dengan kebutuhan yang ditentukan sebelumnya serta memastikan
program yang dibuat berjalan seperti yang diharapkan.
6. Dokumentasi
Pada tahap ini dilakukan pembuatan dokumentasi sistem, lengkap dengan
analisis yang diperoleh.
7. Penyusunan Laporan
Pada tahap ini dilakukan dokumentasi hasil analisis dan implementasi dari
jaringan saraf tiruan propagasi balik.
1.7 Sistematika Penulisan
Penulisan skripsi ini menggunakan sistematika penulisan yang membagi pembahasan
skrispi dalam lima bagian utama, yang terdiri atas:
-
8/11/2019 YAYUK ANGGRAINI
14/50
Bab I Pendahuluan
Pada bab ini merupakan pendahuluan yang berisi latar belakang, rumusan masalah,
tujuan penelitian, batasan masalah, metodologi penelitian, dan sistematika penulisan
skripsi.
Bab II Tinjauan Pustaka
Pada bab ini membahas mengenai teori-teori yang digunakan untuk memahami
permasalahan yang berkaitan dengan pengenalan tulisan tangan yaitu
pengolahan citra, ektraksi fitur dan jaringan saraf tiruan.
Bab III Analisis dan Perancangan Sistem
Pada bab ini berisikan analisis mengenai metode yang digunakan untuk
menyelesaikan masalah dan perancangan dari sistem yang dibangun.
Bab IV Implementasi dan Pengujian Sistem
Pada bab ini dibahas mengenai spesifikasi kebutuhan perangkat keras
(hardware) dan perangkat lunak (software) dari sistem. Kemudian terdapat
cara kerja dari sistem dan menampilkan hasil dari pengujian sistem ini.
Bab V Kesimpulan dan Saran
Pada bab ini dibuat mengenai rangkuman dari hasil analisis dan implementasi
kerja sistem pada bagian sebelumnya, dan pada bagian ini terdapat saran yang
diberikan untuk pengembangan sistem selanjutnya.
-
8/11/2019 YAYUK ANGGRAINI
15/50
BAB 2
TINJAUAN PUSTAKA
Pada bab ini akan membahas landasan teori-teori yang bersifat ilmiah untuk
mendukung penulisan skripsi ini. Teknik-teknik yang dibahas mengenai pengenalan
pola, prapengolahan citra, jaringan saraf tiruan propagasi balik dan beberapa sub
pokok pembahasan lainnya yang menjadi landasan teori dalam penulisan skripsi ini.
2.1. Pra-Pengolahan Citra
Citra disebut sebagai gambaran dari objek yang telah mengalami perubahan dalam
pengolahan
2.1.1. Citra Digital
Citra digital didefenisikan sebagai representasi diskrit dari data spasial (tata letak) dan
intensitas (warna) informasi (Solomon & Breckon, 2011). Citra digital dapat diproses
secara langsung oleh komputer.
Ada banyak cara untuk menyimpan citra digital kedalam memori. Seperti:
1. Citra biner hanya memiliki 2 warna, yaitu warna hitam dan warna putih. Satu
piksel membutuhkan satu bit memori untuk menyimpan kedua warna ini yaitu
hitam dan putih. piksel-piksel objek bernilai 1 yaitu berwarna hitam dan
piksel-piksel latar belakang bernilai 0 yaitu berwarna putih.
-
8/11/2019 YAYUK ANGGRAINI
16/50
2. Citra keabuan adalah citra yang setiap pikselnya mengandung satu layer di
mana nilai intensitasnya berada pada interval 0 (hitam) 255 (putih).
Untukmenghitung citragrayscale(keabuan) digunakan rumus:
dengan I(x,y) adalah level keabuan pada suatu koordinat yang diperoleh dengan
mengatur warna R (merah), G (hijau), B (biru) yang ditunjukkan oleh nilai parameter
, dan . Secara umum nilai , dan adalah 0.33. Nilai yang lain juga dapat
diberikan untuk ketiga parameter tersbut asalkan total keseluruhannya adalah 1 (Putra,
2009).
3.
Citra warna adalah setiap piksel pada citra warna yang merupakan kombinasi
dari tiga warna dasar RGB (Red Green Blue). Setiap warna dasar
menggunakan penyimpanan 8 bit = 1 byte yang berarti setiap warna
mempunyai tingkatan sebanyak 255 warna.
2.2. Pengolahan Citra
Tujuan dari pengolahan citra adalah untuk mendapatkan informasi dari citra dan
menghasilkan citra yang diinginkan. Terlebih dahulu citra harus diolah sebelum
masuk ke proses jaringan saraf tiruan
a. Pembentukan Matriks Biner (Binarization)
Proses ini akan menghasilkan citra hitam putih yang bersih dari tingkat keabun
(grayscale), atau dengan kata lain metode ini mengonversi citra gray-levelke
citra bilevel(binary image). Pada tahap ini setiap nilai pixel RGB akan diambil
nilai rata-ratanya untuk kemudian dicek, jika nilai yang dihasilkan kurang dari
nilai thresholdyang dihasilkan maka nilai pixel tersebut diubah menjadi warna
hitam, sebaliknya jika lebih besar dari nilai konstan maka akan diubah menjadi
warna putih (Khairunnisa, 2012).
b. Normalisasi
Normalisasi adalah proses mengubah ukuran citra, baik menambah atau
mengurangi, menjadi ukuran yang ditentukan tanpa menghilangkan informasi
penting dari citra tersebut (Sharma, dkk, 2012). Dengan adanya proses
normalisasi maka ukuran semua citra yang akan diproses menjadi seragam.
-
8/11/2019 YAYUK ANGGRAINI
17/50
c. Thinning
Thinningadalah proses pengurangan data yang mengikis (erode) sebuah objek
hingga menjadi ukuran 1 piksel dan menghasilkan kerangka (skeleton) dari
objek tersebut. Objek seperti huruf atau silhouettes dapat lebih mudah dikenali
dengan melihat kepada kerangkanya saja (Phillips, 2000). Pada penelitian ini
digunakan algoritma thinning Zhang-Suen.
Algoritma ini untuk citra biner, dimana piksel backgroundcitra bernilai
0, dan piksel foreground (region) bernilai 1. Algoritma ini cocok untuk
aplikasi OCR (Optical Character Recognition), yang digunakan untuk bentuk
yang diperpanjang (elongated). Algoritma ini terdiri dari beberapa
penelusuran, dimana setiap penelusurannya terdiri dari 2 langkah dasar yang
diaplikasikan terhadap titik yang pikselnya bernilai 1, dan memiliki paling
sedikit 1 piksel dari 8-tetangganya yang bernilai 0.
2.3. Ekstraksi Fitur (Feature Extraction)
Feature extractionadalah proses pengukuran terhadap data yang telah dinormalisasi
untuk membentuk sebuah nilai fitur. Nilai fitur digunakan oleh pengklasifikasi untuk
mengenali unit masukan dengan unit target keluaran dan memudahkan
pengklasifikasian karena nilai ini mudah untuk dibedakan (Pradeep, dkk, 2011).
Secara luas, fitur adalah semua hasil pengukuran yang bisa diperoleh. Fitur juga
bisa menggambarkan karakteristik objek yang dipantau (Putra, 2009). Contoh dari
fitur level rendah adalah intensitas sinyal. Fitur bisa berupa simbol, numerik atau
keduanya. Contoh dari fitur simbol adalah warna. Contoh dari fitur numerik adalah
berat. Fitur bisa diperoleh dengan mengaplikasikan algoritma pencari fitur pada data
masukan. Fitur dapat dinyatakan dengan variabel kontinu, diskret atau diskret-biner.
Fitur biner dapat digunakan untuk menyatakan ada tidaknya suatu fitur tertentu (Putra,
2012).
Fitur yang baik memiliki syarat berikut, yaitu mudah dalam komputasi, memiliki
tingkat keberhasilan yang tinggi dan besarnya data dapat diperkecil tanpa
menghilangkan informasi penting (Putra, 2009).
-
8/11/2019 YAYUK ANGGRAINI
18/50
2.3.1. Zoning
Zoning adalah salah satu ekstraksi fitur yang paling popular dan sederhana untuk
diimplementasikan (Sharma, dkk, 2012). Sistem optical character recognition (OCR)komersil yang dikembangkan oleh CALERA menggunakan metode zoningpada citra
biner (Bosker, 1992). Setiap citra dibagi menjadi NxM zona dan dari setiap zona
tersebut dihitung nilai fitur sehingga didapatkan fitur dengan panjang NxM. Salah satu
cara menghitung nilai fitur setiap zona adalah dengan menghitung jumlah piksel hitam
setiap zona dan membaginya dengan jumlah piksel hitam terbanyak yang terdapat
pada salah satu zona (Putra, 2012).
2.4. Jaringan Saraf Tiruan
Jaringan Saraf Tiruan adalah jaringan komputasional yang mensimulasikan jaringan
sel saraf (neuron) dari pusat sistem saraf makhluk hidup (manusia atau hewan)
(Graupe, 2007). Jaringan saraf tiruan pertama kali didesain oleh Warren Mc-Culloh
dan Walter Pitts pada tahun 1943.Mc Cullah-Pitts menemukan bahwa dengan
mengkombinasikan banyak neuron sederhana sehingga menjadi sebuah sistem sarafmerupakan peningkatan tenaga komputasional.
Jaringan saraf tiruan disusun dengan asumsi yang sama seperti jaringan saraf
biologi (Puspitaningrum, 2006):
1. Pengolahan informasi terjadi pada elemen-elemen pemrosesan (neuron).
2. Sinyal antara dua buah neuron diteruskan melalui link-link koneksi.
3. Setiap link koneksi memiliki bobot terasosiasi.
4.
Setiap neuron menerapkan sebuah fungsi aktivasi terhadap input jaringan (jumlah
sinyal input berbobot). Tujuannya adalah untuk menentukan sinyal output.
2.5. Algoritma Propagasi Balik
Algoritma propagasi balik (Back Propagation) pertama dikembangkan pada tahun
1986 oleh Rumelhart, Hinton dan Williams untuk menentukan bobot dan digunakan
untuk pelatihan perceptron multi lapis (Graupe, 2007). Metode propagasi balik
-
8/11/2019 YAYUK ANGGRAINI
19/50
-
8/11/2019 YAYUK ANGGRAINI
20/50
2. Algoritma aplikasi
Yang digunakan hanyalah tahap umpan maju saja.
1. Algoritma Pelatihan
Inisialisasi bobot-bobot.
Tentukan pula nilai toleransi erroratau nilai ambang (bila menggunakan nilai
ambang sebagai kondisi berhenti); atau set maksimal epoch (bila
menggunakan banyaknya epoch sebagai kondisi berhenti).
1. Whilekondisi berhenti tidak terpenuhi dolangkah ke-2 sampai langkah ke-9.
2. Untuk setiap pasangan pola pelatihan, lakukan langkah ke-3 sampai langkah
ke-8.
A.
Tahap Umpan Maju
3. Setiap unit input xi (dari unit ke-1 sampai unit ke-n pada lapisan input)
mengirimkan sinyal input ke semua unit yang ada di lapisan atasnya (ke
lapisan tersembunyi)
4. Pada setiap unit di lapisan tersembunyi zj (dari unit ke-1 sampai unit ke-p;
i=i,,n; j=,...,p) sinyal output lapisan tersembunyinya dihitung dengan
menerapkan fungsi ativasi terhadap penjumlahan sinyal-sinyal input berbobot
xi:
kemudian dikirim ke semua unit di lapisan atasnya.
5.
Setiap unit di lapisan output yk (dari unit ke-1 sampai unit ke-m; i=1,...,n;
k=1,,m) dihitung sinyal outputnya dengan menerapkan fungsi aktivasi
terhadap penjumlahan sinyal-sinyal input berbobot zjbagi lapisan ini:
B. Tahap Pemropagasibalikan Error
6. Setiap unit output yk (dari unit ke-1 sampai unit ke-m; i=1,,p; k=1,.,m)
menerima pol target tklalu informasi kesalahan lapisan output (k) dihitung. k
dikirim ke lapisan di bawahnya dan digunakan untuk mengitung besar koreksi
-
8/11/2019 YAYUK ANGGRAINI
21/50
bobot dan bias (wjk dan w0k) antara lapisan tersembunyi dengan lapisan
output:
wjk= kzj
w0k= k
7.
Pada setiap unit di lapisan tersembunyi (dari unit ke-1 sampai unit ke-p;
i=1,,n; j=1,,p; k=1,,m) dilakukan perhitungan informasi kesalahan
lapisan tersembunyi (j). j kemudian digunakan untuk menghitung besar
koreksi bobot dan bias (wjk dan w0k) antara lapisan input dan lapisan
tersembunyi.
vij= jxi
v0j= j
C. Tahap Peng-update-an Bobot dan Bias
8. Pada setiap unit output yk(dari unit ke-1 sampai unit ke-m) dilakukan peng-
update-an bias dan bobot (j=0,,p; k=1,,m) sehingga bias dan bobot baru
menjadi: wjk(baru) = wjk(lama) + wjk
Dari unit ke-1 sampai unit ke-p di lapisan tersembunyi juga dilakukan
peng-update-an pada bias dan bobotnya (i=0,,n; j=1,,p):
vij(baru) = vij(lama) + vij
9. Tes kondisi berhenti.
2. Algoritma Aplikasi
Inisialisasi bobot.Bobot ini diambil dari bobot-bobot terakhir yang diperoleh
dari algoritma pelatihan.
-
8/11/2019 YAYUK ANGGRAINI
22/50
1. Untuk seitap vektor input, lakukanlah langkah ke-2 sampai ke-4.
2. Setiap unit input xi (dari unit ke-1 sampai unit ke-n pada lapisan input;
i=1,,n) menerima sinyal input pengujian xi dan menyiarkan sinyal x i ke
semua unikt pada lapisan di atasnya (unit-unit tersembunyi).
3. Setiap unit di lapisaan tersembunyi zj (dari unit ke-1 sampai unit ke-p;
i=1,,n; j=1,.,p) menghitung sinyal outputnya dengan menerapkan fungsi
aktivasi terhadap penjumlahan sinyal-sinyal input xi. Sinyal output dari lapisan
tersembunyi kemudian dikirim ke semua unit pada lapisan di atasnya:
4.
Setiap unit output yk (dari unit ke-1 sampai unit ke-m; j=1,,p; k=1,,m)
menghitung sinyal outputnya dengan menerapkan fungsi aktivasi terhadap
penjumlahan sinyal-sinyal input bagi lapisan ini, yaitu sinyal-sinyal input zj
dari lapisan tersembunyi:
2.5.1 Fungsi Aktifasi
Pilihan fungsi aktivasi yang dapat digunakan pada metode propagasi balik yaitu fungsi
sigmoid biner, sigmoid bipolar dan tangent hiperbolik.Karakteristiki yang harus miliki
fungsi aktivasi tersebut adalah kontinu, diferensiabel dan tidak menurun secara
monoton.Fungsi aktivasi diharapkan jenuh (mendekati nilai-nilai maksimum dan
minimum secara asimtot) (Puspitaningrum, 2006).
1. Fungsi Sigmoid Biner
Fungsi ini merupakan fungsi yang umum digunakan. Rentang-nya adalah (0,1) dan
didefenisikan sebagai :
-
8/11/2019 YAYUK ANGGRAINI
23/50
dengan turunan :
( ) Fungsi sigmoid biner diilustrasikan pada gambar 2.2.
Gambar 2.2 Fungsi sigmoid biner dengan rentang(0,1) (Puspitaningrum, 2006)
2.5.2 Inisialisasi Bobot dan Bias
Cepat atau tidaknya pembelajaran pada pelatihan jaringan propagasi balik salah
satunya dipengaruhi oleh nilai bobot antar neuron dan nilai bias. Semakin baik
inisialisasi bobot dan bias semakin cepat pula pembelajaran jaringan propagasi balik.
Bobot dan bias pada jaringan propagasi balik dapat dinisialisasi dengan berbagai cara
seperti inisialisasi acak, nguyen-widrow dan lain-lain (Putra, 2012).
1.
Inisialisasi Acak
Prosedur yang umum dilakukan adalah menginisialisasi bias dan bobot, baik
dari unit input ke unit tersembunyi maupun dari unit tersembunyi ke unit
output secara acak dalam sebuah interval tertentu (- dan ), misalnya antara -
0.4 sampai 0.4, -0.5 sampai 0.5, dan -1 sampai 1 (Puspitaningrum, 2006).
-
8/11/2019 YAYUK ANGGRAINI
24/50
2. Inisialisasi Nguyen Windrow
Waktu pembelajaran jaringan propagasi balik yang bobot dan biasnya
diinisalisasi dengan inisialisasi Nguyen-Widrow lebih cepat dibandingkan biladiinisialisasi dengan inisialisasi acak. Pada inisialisasi Nguyen-Widrow,
inisialisasi acak tetap terpakai tetapi digunakan untuk menginisialisasi bias dan
bobot dari unit tersembunyi ke unit output saja. Untuk bias dan bobot dari unit-
unit input ke unit-unit tersembuyi digunakan bias dan bobot yang khusus
diskala agar jatuh pada range tertentu. Dengan penskalaan maka diharapkan
kemampuan belajar dari unit-unit tersembunyi dapat meningkat.
Faktor skala Nguyen-Widrow () didefenisikan sebagai :
di mana :
n = banyak unit input
p = banyak unit tersembunyi
= faktor skala
Prosedur inisialisasi Nguyen-Widrow
Untuk setiap unit tersembunyi dari unit ke-1 sampai unit ke-p :
1. Inisialisasi vektor bobot dari unit-unit input ke unit-unit tersembunyi (j = 1, ,
p) dengan cara :
a. Menentukan bobot-bobot antara unit input ke unit tersembunyi (vij) :
vij(lama) = bilangan acak antara - dan
di mana i = 1, , n.
b. Menghitung ||vij ||.
c.
Menginisialisasi kembali vij :
2. Menentukan bias antara unit input ke unit tersembuni (j = 1, , p). voj diset
dengan bilangan acak yang terletak pada skala antara - dan .
2.5.3 Pengupdate Bobot dengan Momentum
-
8/11/2019 YAYUK ANGGRAINI
25/50
Penambahan parameter momentum dalam mengupdate bobot seringkali bisa
mempercepat proses pelatihan. Ini disebabkan karena momentum memaksa proses
perubahan bobot terus bergerak sehingga tidak terperangkap dalam minimum-
minimum lokal. Pengupdatean bobot pada proses pelatihan jaringan yang biasa adalah
sebagai berikut :
wjk= kzj
vij= jxi
Jika error tidak terjadi (output actual telah sama dengan output target) maka k
menjadi nol dan hal ini akan menyebabkan koreksi bobot wjk= 0, atau dengan kata
lain pengupdatean bobot berlanjut dalam arah yang sama seperti sebelumnya.
Jika parameter momentum digunakan maka persamaan-persamaan pengupdatean
bobot dengan langkah pelatihan t, dan t+1 untuk langkah pelatihan selajutnya,
mengalami modifikasi sebagai berikut :
wjk(t + 1) = kzj+ wjk(t)
vij(t + 1) = jxi+ vij(t)
dengan adalah parameter momentum dalam range antara 0 sampai 1.
-
8/11/2019 YAYUK ANGGRAINI
26/50
BAB 3
ANALISIS DAN PERANCANGAN
Pada bab ini dibahas tentang bagaimana proses sistem jaringan saraf tiruan dengan
menggunakan metode propagasi balik untuk pengenalan tulisan tangan berbentuk
huruf jawi (arab melayu) dan membahas tentang analisis kebutuhan sistem tersebut
beserta perancangan sistemnya. Pada tahap perancangan sistem yang dilakukan adalah
mentransformasikan model analisis ke model perancangan.
3.1 Analisis Data Sistem
Data dan sampel yang akan digunakan adalah tulisan tangan yang berbentuk
huruf jawi (arab melayu) ditulis dikertas putih dengan tinta berwarna hitam. Setelahpengambilan data, data tersebut di scan, setelah itu hasil scannernya di simpan dalam
bentuk folder jpeg.
Untuk melakukan pengenalan tulisan tangan berbentuk huruf jawi (arab
melayu)menggunakan jaringan saraf tiruan harus melalui tahapan-tahapan tertentu
sehingga dapat menjadi masukan yang baik bagi jaringan saraf tiruan. Jumlah data
yang diambil sebanyak 12 pola tulisan tangan berbentuk huruf arab melayu (jawi) dari
12 orang, 1 orang terdiri dari 7 kata (kata yang diambil adalah nama-nama hari).
3.2 Pra - Pengolahan Citra
Sebelum ketahapan jaringan saraf tiruan, terlebih dahulu data yang telah diambil
dilakukan proses prapengolahan citra. Pada sistem ini prapengolahan yang dilakukan
adalah binarization, normalisasi, thinning dan feature extraction.
-
8/11/2019 YAYUK ANGGRAINI
27/50
Gambar 3.1 Tahapan Pra-Pengolahan citra
a) Pembentukan Matriks Biner (Binarization)
Matriks biner citra ini menghasilkan citra hitam putih yang bersih dari tingkat
keabun (grayscale), atau dengan kata lain metode ini mengonversi citra gray-
levelke citra bilevel(binary image). Pada tahap ini setiap nilai pixel RGB akan
diambil nilai rata-ratanya untuk kemudian dicek, jika nilai yang dihasilkan
kurang dari nilai threshold yang dihasilkan maka nilai pixel tersebut diubah
menjadi warna hitam, sebaliknya jika lebih besar dari nilai konstan maka akan
diubah menjadi warna putih (Khairunnisa, 2012).
Jika citra dari nilai pixel pada koordinat (x,y) berwarna hitam maka
nilai matriks biner pada baris i dan kolom j adalah 1, dan sebaliknya 0. Adapun
diagram alir proses dari matriks biner ini dapat dilihat pada gambar 3.2 :
-
8/11/2019 YAYUK ANGGRAINI
28/50
Mulai
Inisialisasitinggi, lebar
x= 0
y = 0
y < tinggi
x < lebar
Nilai rata-rata
(x,y) = (R + G +
B) /3
ya
(x,y) < T Matriks[y][x] = 1Matriks[y][x] = 0 tidak ya
tidak
Selesai tidak
ya
x= x + 1
y = y + 1
Gambar 3.2 Matriks Biner
b) Normalisasi
Ukuran citra yang telah di crop berbeda-beda sehingga belum bisa digunakan
sebagai masukan standar untuk diektraksi. Citra tersebut haruslah
dinormalisasi terlebih dahulu yaitu dengan menggunakan ukuran citra yang
sesuai untuk diekstrakkan yaitu 300x170 pixel. Contoh citra hasil pemotongan
yang dinormalisasi dapat dilihat pada Gambar 3.3.
-
8/11/2019 YAYUK ANGGRAINI
29/50
Gambar 3.3. hasil citra normalisasi, (a) citra RGB, (b) citra hasil normalisasi
c) Pembentukan Matriks Tulang (Thinning)
Tahapan selanjutnya adalah mengunakan proses thinning. Proses thinning
dilakukan supaya mendapatkan kerangka dari objek karakter pada citra dapat
diproses. Proses thinning ini bertujuan membentuk matriks dari citra tulisan
tangan yang kebetulan garisnya 1 pixel. Algoritma yang dipakai dalam proses
thinning ini adalah algoritma ZhangSuen yang belum dimodifikasi (Zhang &
Suen, 1984).
Algoritma Zhang-Suen ini menggunakan metode paralel yang mana
nilai baru bagi setiap pixel dihasilkan dari nilai pixel pada iterasi sebelumnya.
Hasil citra yang telah diubah menggunakan proses thinningdapat dilihat pada
Gambar 3.4.
Gambar 3.4. citra hasil thinning, (a) citra normalisasi, (b) citra thinning
a. b.
b.a.
-
8/11/2019 YAYUK ANGGRAINI
30/50
3.3 Fitur Ekstraksi (Feature Extraction)
Pada tahapan fitur ekstraksi dilakukan agar nilai yang telah dinormalisasikan dapat
membentuk sebuah nilai fitur agar mendapatkan nilai-nilai unik dari citra yang telah
mengalami proses prapengolahan citra sebelumnya. Setiap data hasil ekstraksi fitur
harus benar-benar dapat mewakili karakteristik atau keunikan dari data tersebut. oleh
karena itu diperlukan suatu cara bagaimana agar dapat mendapatkan nilai-nilai unik
dari data tersebut sebab data yang ingin dianalisis oleh jaringan saraf tiruan harus
direpsentasikan dengan baik ke dalam bentuk numerik ataupun biner.
Pada tahap ini, citra yang berukuran 300x170 piksel dibagi menjadi 30 kolom
dan 17 kolom dengan masing-masing kolom terdapat 10 piksel. Proses ekstraksi fitur
menggunakanzonning dapat dilihat pada gambar 3.5.
Gambar 3.5. Diagram ekstraks fitur
-
8/11/2019 YAYUK ANGGRAINI
31/50
3.4 Metode Ekstraksi Zoning
Metode zining dapat dibagi menjadi 3 proses, yaitu:
1.
Hitung jumlah piksel hitam setiap zona dari Z1 sampai Z510.
2. Tentukan zona yang memiliki jumlah piksel hitam paling tinggi.
3. Hitung nilai fitur setiap zona dari Z1 sampai Z510.
Yaitu menggunakan rumus :
Nilai fitur Zn = Zn / Ztertinggi
dimana 1 n 510
Nilai fitur didapatkan dengan melakukan perbandingan jumlah piksel hitam dari
satu zona dengan zona yang didapatkan dari proses no 2.
Flowchart dari proses ekstraksizoningdapat dilihat pada gambar 3.6.
-
8/11/2019 YAYUK ANGGRAINI
32/50
Start
y0
ky
lx
img(l, k) = 0
piksel_zona[y/10][x/10]
piksel_zona[y/10][x/10] + 1
Yes
y < tinggi
x0
x < lebar
Yes
y0
No
yy + 10
xx + 10
Yes
k < y + 10kk + 1
Yes
l < x + 10 ll + 1
Yes
No
No
piksel_zona[y/10][x/10]
>
piksel_zona_max
No
piksel_zona_max
piksel_zona[y/10][x/10]
Yes
No
No
y < ZONA_T
x0
x < ZONA_L
Yes
piksel_zona[y][x]
piksel_zona[y][x] /
piksel_zona_max
Yes
xx + 1
yy + 1
No
EndNo
Inisialisasi
ZONA_L 30, ZONA_T17
img (hasil Thinning)tinggiimg(height), lebarimg(width)
piksel_zona[ZONA_T][ZONA_L]0.0
piksel_zona_max 0.0
x, y, k, l
Gambar 3.6.flowchart ekstraksi fitur zoning
-
8/11/2019 YAYUK ANGGRAINI
33/50
Gambar 3.7 Pembagian zona menjadi 30 kolom dengan 17 baris, masing-masing
zona berukuran 10x10 piksel.
3.5 Tahap Setelah Ekstraksi Fitur
Setelah melakukan tahapan ekstraksi fitur dan tahapan berikutnya yaitu klasifikasi
dengan menggunakan jaringan saraf tiruan propagasi balik. Dalam tapahan ini
terdapat dua proses yaitu proses pelatihan dan proses pengujian. Pada proses pelatihan
dilakukan pelatihan jaringan saraf tiruan dengan menggunakan nilai fitur yang didapat
dari data yang dilatih. Sebelum data digunakan, terlebih dahulu datanya harus sudah
dilatih. Setelah proses pelatihan, masuk ke proses pengujian yaitu dengan
menggunakan nilai fitur yang didapatkan dari data yang diuji. Jaringan harus
dirancang terlebih dahulu sebelum data di latih dan diuji.
3.6 Perancangan Jaringan Propagasi Balik
Jaringan yang dirancang dalam penelitian ini adalah jaringan propagasi balik.
Arsitektur jaringan saraf tiruan terdiri dari lapisan input (input layer), lapisan
tersembunyi (hidden layer) dan lapisan output (output layer).
Berdasarkan perancangan isi atas jaringan saraf tiruan yang dibangun pada
penelitian ini dapat dilihat pada gamabar 3.8
-
8/11/2019 YAYUK ANGGRAINI
34/50
Gambar 3.8 Arsitektur Jaringan Saraf Tiruan
Berdasarkan gambar 3.8, rincian rancangan arsitektur jaringan saraf tiruan
yang digunakan adalah :
1. 1 lapisan input. Lapisan input terdiri dari unit-unit input mulai dari unit input 1
sampai unit input i, dimana i= 510.
2. 1 lapisan tersembunyi. Lapisan tersembunyi terdiri dari unit-unit tersembunyi
mulai dari unit tersembunyi 1 sampai unit tersembunyij, dimanaj= 96.
3. 1 lapisan output. Lapisan output terdiri dari unit-unit output mulai dari unit output
1 sampai unit output k, dimana k= 7.
4. x1 sampaix510merupakan unit-unit lapisan input,y1sampaiy7merupakan unit-unit
lapisan output danz1sampaizpmerupakan unit-unit lapisan tersembunyi.
5. b1 merupakan bias ke lapisan tersembunyi dan b2 merupakan bias ke lapisan
keluaran.
6.
v0jdan w0kmasing-masing adalah bobot bias untuk unit tersembunyi ke-jdan unit
output ke-k. vijadalah bobot koneksi antara unit ke-ilapisan input dengan unit ke-j
-
8/11/2019 YAYUK ANGGRAINI
35/50
lapisan tersembunyi, sedangkan wjkadalah bobot koneksi antara unit ke-j lapisan
tersembunyi dengan unit ke-klapisan output.
Tabel 1. Vektor Output dan target keluaran jaringan
Vektor Output Target
10000000000000000000000000 Senin
01000000000000000000000000 Selasa
00100000000000000000000000 Rabu
00010000000000000000000000 Kamis
00001000000000000000000000 Jumat
00000100000000000000000000 Sabtu
00000010000000000000000000 Minggu
3.6.1 Proses Pelathan
Prose pelatihan dilakukan agar dapat melatih jaringan yang akan dapat mengenali
huruf jawi (arab melayu) tulisan tangan baik yang dilatih ataupun yang tidak
dilatihkan dengan menggunakan jaringan saraf tiruan propagasi balik. Bertujuan untuk
mendapatkan keseimbangan antara kemampuan tanggapan yang benar terhadap
masukan yang dipakai untuk pelatihan jaringan (memorisasi) dan kemampuan
memberikan tanggapan yang benar untuk masukan yang sejenis namun tidak identik
dengan yang dipakai pada pelatihan.
Proses pelatihan terdiri dari 3 tahap. Tahap yang pertama yaitu tahap umpan maju
pola yang digunakan untuk mencari nilai lapisan tersembunyi dan nilai lapisan
keluaran menggunakan aktivasi yang ditentukan. Tahap yang kedua adalaha tahap
mundur, jika hasil keluaran tidak sesuai dengan target maka dilakukan propagasi balik
untuk mendapatkan nilai error yang ada di lapisan keluaran dan lapisan tersembunyi.
Tahap yang ketiga adalah memperbaharu nilai bobot yang ada dilapisan tersembunyi
dan lapisan masukkan untuk menentukan erroryang terjadi. Setelah itu lakukan lagi
umpan maju dan propagasi balik jika nilai keluarannya tidak sesuai dengan nilai yang
-
8/11/2019 YAYUK ANGGRAINI
36/50
ditargetkan. Proses ini dilakukan secara berulang kali sampai mendapatkan batasan
error yang ditentukan dari jaringan.
3.6.2 Proses Pengujian
Proses pengujian adalah menguji jaringan yang telah dilatih untuk mengenali data uji
maupun tidak digunakan pada tahapan pelatihan jaringan. Jaringan diharapkan dapat
mengenali huruf-huruf jawi (arab melayu) yang terdapat pada data uji. Pada proses
pengujian hanya mnggunakan tahap umpan maju untuk mencari nilai keluaran lapisan
tersembunyi dan lapisan keluaran.
Ketika jaringan diuji dengan menggunakan data pelatihan, yang diuji adalah
kemampuan memorisasi jaringannya, sebab kasus-kasusyang dimasukkan telah
dipelajari sebelumnya. Dan sebaliknya, pada saat jaringan diuji dengan menggunakan
data baru, yang diuji adalah kemampuan generalisasi jaringannnya.
-
8/11/2019 YAYUK ANGGRAINI
37/50
-
8/11/2019 YAYUK ANGGRAINI
38/50
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
Pada bab ini akan diuraikan tahapan selanjutnya dalam pengembangan softwareyaitu
tahap implementasi dan pengujian sistem. Di sini akan dijelaskan tentang prosespengimplementasian algoritma ke dalam sistem dan melakukan pengujian dari
softwareyang dikembangkan.
4.1. Implementasi
Data yang telah dikenali pada bab sebelumnya haruslah diimplementasikan ke dalam
kode pemrograman agar dapat dilakukan pengujian untuk mengetahui kemampuan
kombinasi metode zoning. Pada penelitian ini pemrograman yang digunakan adalah
bahasa pemrograman java. Pada bab sebelumnya telah dibahas tentang cara kerja
sistem yang dibangun dengan mnggunakan jaringan saraf tiruan.
Pengkodean dilakukan menjadi 5 modul utama, yaitu :
1. Modul prapengolahan citra
Merupakan modul untuk melaksakan semua proses prapengolahan citra dan
melaksanakan proses ekstraksi fitur.
2.
Modul inisialisasi
Merupakan model untuk melaksanakan inisialisasi bobot awal.
3. Modul pelatihan jaringan
Merupakan modul untuk melaksanakan proses pelatihan jaringan propagasi balik.
4. Modul pengujian jaringan
Merupakan modul untuk melaksanakan proses pengujian jaringan propagasi balik
yang telah dilatihkan.
-
8/11/2019 YAYUK ANGGRAINI
39/50
5.
Modul program utama
Merupakan modul untuk menjalankan modul prapengolahan citra, pelatihan
jaringan dan pengujian jaringan.
4.2. Spesifikasi Perangkat Keras dan Perangkat Lunak yang digunakan
Spesifikasi perangkat lunak dan perangkat keras yang digunakan untuk membut
sistemnya adalah sebagai berikut:
1. Processor Pentium Intel Core i3-2310M
2.
Kapasitas harddiks 500GB.
3. Memory RAM yang digunakan 2.00GB.
4. Sistem operasi Microsoft Windows 7.
5.
Tools dari Java.
6. Printer canon MP198.
4.3. Pengujian
Setelah melakukan tahap implementasi maka dilakukan tahap pengujian
kemampuanmetodezoningpada jaringan saraf tiruan untuk pengenalan tulisan tangan
huruf jawi (arab melayu). Untuk mengetahui seberapa tingkat kecocokannya dengan
metode tersebut, dibangunsebuah jaringan dengan menggunakan metode zoning.
Jaringan yang menggunakan metodezoningmenggunakan 510 nilai fitur.
4.4. Persiapan Sistem Jaringan Saraf Tiruan
Ketika jaringan tersebut memiliki lapisan tersembunyi dan lapisan keluaran yang sama
yaitu 96 neuron lapisan tersembuni dan 7 neuron lapisan keluaran. Lapisan masukan
sesuai dengan metode ekstraksi yang digunakan yaitu zoning(510 neuron masukan).
Jaringan tersebut dilatih dengan menggunakan data latihan dengan paramter pelatihan,
yaitu learning rate: 0.5, momentum 0.5. Data latihan dapat dilihat pada lampiran B.
-
8/11/2019 YAYUK ANGGRAINI
40/50
-
8/11/2019 YAYUK ANGGRAINI
41/50
4.5. Hasil Pengujian
Setelah jaringan tersebut dilatih kemudian jaringan dilakukan pengujian pada tingkat
pencocokan dari jaringan tersebut. Pengenalan diuji dengan menggunakan data ujiyaitu data baru yang tidak digunakan pada tahap pelatihan. Data yang digunakan
untuk pengujian adalah 21 pola kata (Lampiran B).
Pengujian dilakukan dengan menggunakan pemrograman java. Dengan
menggunakan contoh sebagai berikut:
Input : Masukkan nama file gambar yang ingin diuji. Seperti pada gambar 4.1
Gambar 4.1.input citra pengujian
Output : Sistem akan mengenali file gambar yang diuji sesuai dengan karakternya.
Seperti pada gambar 4.2
Gambar 4.2.Output citra pengujian
Hasil dari citra algoritmazoningdapat dilihat pada gambar 4.3
Gambar 4.3Hasil citra algoritmazoning.
-
8/11/2019 YAYUK ANGGRAINI
42/50
4.6. Hasil Pelatihan Jaringan Saraf Tiruan
Pelatihan jaringan saraf tiruan ini berfungsi untuk mengajarkan kepada jaringan pola-
pola tulisan huruf yang ada sehingga diharapkan jaringan dapat mengenali pola-polatulisan baru yang diberikan. Pada tahap pelatihan ini ditampilkan beberapa kombinasi
lapisan tersembunyi, learning rate, momentum yang berbeda-beda. Hasil pelatihan
jaringan saraf tiruan propagasi balik dapat dilihat pada tabel 4.1.
Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik
Input Learning
Rate
Momentum Epoch Tingkat
Kecocokan
Output
Senin1 0,5 0,5 100 88,93% SeninSenin1 0,4 0,2 1000 88,83% Senin
Senin1 0,1 0,1 10 87,95% Senin
Senin1 0,1 0,4 200 87,89% Senin
Senin1 0.4 0.4 2000 88,68% Senin
Senin1 0,1 0,1 120 87,92% Senin
Senin2 0,1 0,1 120 87,54% Senin
Senin2 0,1 0,1 1000 87,22% Senin
Senin2 0,7 0,4 1000 89,02% Senin
Senin2 0,9 0,9 10 89,95% Senin
Senin2 0,9 0,6 30 89,54% SeninSenin2 0,9 0,9 90 89,99% Senin
Senin2 0,5 0,5 100 90.00% Senin
Senin3 0,1 0,1 10 88,22% Senin
Senin3 0,5 0,5 100 89,99% Senin
Senin3 0,7 0,7 1000 89,74% Senin
Senin4 0,5 0,5 100 89,99% Senin
Senin4 0,4 0,9 100 89,94% Senin
Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik (Lanjutan)
input Learningrate
Momentum Epoch TingkatKecocokan
Outpu
Senin5 0,2 0,2 800 88,07% Senin
Senin5 0,5 0,5 100 89,26% Senin
Senin6 0,5 0,5 100 90,00% Senin
Senin7 0,1 0,1 10 87,59% Senin
Senn7 0,5 0,5 100 89,25% Senin
Senin8 0,2 0,4 10 88,54% Senin
Senin8 0,3 0,7 100 89,21% Senin
Senin8 0,5 0,5 100 89,99% Senin
Senin9 0,5 0,5 100 89,19% Senin
Senin10 0,5 0,5 100 88,90% Senin
Senin11 0,5 0,5 100 89,09% Senin
-
8/11/2019 YAYUK ANGGRAINI
43/50
Senin12 0,5 0,5 100 89,99% Senin
Selasa1 0,5 0,5 100 89,09% Selasa
Selasa2 0,5 0,5 100 88,95% Selasa
Selasa3 0,5 0,5 100 89,05% Selasa
Selasa4 0,5 0,5 100 89,01% SelasaSelasa5 0,5 0,5 100 89,11% Selasa
Selasa6 0,5 0,5 100 89,06% Selasa
Selasa7 0,5 0,5 100 89,01% Selasa
Selasa8 0,5 0,5 100 89,02% Selasa
Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik (Lanjutan)
Input Learning
rate
Momentum Epoch Tingkat
Kecocokan
Output
Selasa9 0,5 0,5 100 89,07% Selasa
Selasa10 0,5 0,5 100 89,16% Selasa
Selasa11 0,5 0,5 100 88,90% Selasa
Selasa12 0,5 0,5 100 89,23% Selasa
Rabu1 0,5 0,5 100 89,49% Rabu
Rabu2 0,5 0,5 100 89,29% RabuRabu3 0,5 0,5 100 89,06% Rabu
Rabu4 0,5 0,5 100 89,13% Rabu
Rabu5 0,5 0,5 100 89,49% Rabu
Rabu6 0,5 0,5 100 89,18% Rabu
Rabu7 0,5 0,5 100 88,82% Rabu
Rabu8 0,5 0,5 100 89,08% Rabu
Kamis9 0,5 0,5 100 89,21% Kamis
Kamis10 0,5 0,5 100 88,94% Kamis
Kamis11 0,5 0,5 100 89,20% Kamis
Kamis12 0,5 0,5 100 89,31% Kamis
Jumat1 0,5 0,5 100 88,89% JumatJumat2 0,5 0,5 100 89,20% Jumat
Jumat4 0,5 0,5 100 89,17% Jumat
Jumat5 0,5 0,5 100 89,07% Jumat
Jumat6 0,5 0,5 100 89,04% Jumat
Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik (Lanjutan)
Input Learning Momentm Epoch Tingkat Output
-
8/11/2019 YAYUK ANGGRAINI
44/50
rate Kecocokan
Jumat7 0,5 0,5 100 89,02% Jumat
Jumat8 0,5 0,5 100 89,35% Jumat
Jumat9 0,5 0,5 100 89,05% Jumat
Jumat10 0,5 0,5 100 89,44% JumatJumat11 0,5 0,5 100 88,96% Jumat
Jumat12 0,5 0,5 100 89,21% Jumat
Sabtu1 0,5 0,5 100 89,40% Sabtu
Sabtu2 0,5 0,5 100 89,35% Sabtu
Sabtu3 0,5 0,5 100 89,54% Sabtu
Sabtu4 0,5 0,5 100 89,36% Sabtu
Sabtu5 0,5 0,5 100 89,13% Sabtu
Sabtu6 0,5 0,5 100 89,58% Sabtu
Sabtu7 0,5 0,5 100 89,22% Sabtu
Sabtu8 0,5 0,5 100 89,08% Sabtu
Sabtu9 0,5 0,5 100 89,16% SabtuSabtu10 0,5 0,5 100 89,46% Sabtu
Sabtu11 0,5 0,5 100 89,41% Sabtu
Sabtu12 0,5 0,5 100 89,71% Sabtu
Minggu1 0,5 0,5 100 89.99% Minggu
Minggu2 0,5 0,5 100 89,23% Minggu
Minggu3 0,5 0,5 100 89,34% Minggu
Input Learning
rate
Momentum Epoch Tingkat
Kecocokan
Output
Mingggu4 0,5 0,5 100 89,00% Minggu
Minggu5 0,5 0,5 100 89,04% Minggu
Minggu6 0,5 0,5 100 89,09% Minggu
Minggu7 0,5 0,5 100 88,90% Minggu
Minggu8 0,5 0,5 100 88,92% Minggu
Minggu9 0,5 0,5 100 88,98% Minggu
Minggu10 0,5 0,5 100 89,08% Minggu
Minggu11 0,5 0,5 100 89,40% Minggu
Minggu11 0,4 0,4 200 88,50% Minggu
Minggu12 0,4 0,4 200 88,64% Minggu
Minggu12 0,5 0,5 100 88,98% Minggu
-
8/11/2019 YAYUK ANGGRAINI
45/50
4.7. Hasil Pengujian Jaringan Saraf Tiruan
Pada tahap pengujian dilakkan pengujian dengan menggunakan 21 pola. Hasil
pengujian dapat dilihat pada tabel 4.2. nilai pengujian dan pelatihan didapat daripenghitungan sebagai berikut :
Untuk Pelatihan
()
Untuk pengujian
()
Tabel 4.2 Hasil Pengujian Jaringan Saraf Tiruan Propagasi Balik.
Input Learning
Rate
Momentum Epoch Tingkat
Kecocokan
Output
Senin13 0,5 0,5 100 89,99% Senin
Senin14 0,5 0,5 100 88,88% Senin
Senin15 0,5 0,5 100 89,24% Senin
Selasa13 0,5 0,5 100 89,33% Selasa
Selasa14 0,5 0,5 100 89,12% Selasa
Selasa15 0,5 0,5 100 88,91% Selasa
Rabu13 0,5 0,5 100 89,02% Rabu
Rabu14 0,5 0,5 100 89,02% Rabu
Rabu15 0,5 0,5 100 88,91% Rabu
Kamis13 0,5 0,5 100 89,16% Kamis
Kamis14 0,5 0,5 100 89,36% Kamis
Kamis15 0,5 0,5 100 88,91% Kamis
Jumat13 0,5 0,5 100 88,31% Jumat
Jumat14 0,5 0,5 100 89,19% Jumat
Jumat15 0,5 0,5 100 89,25% Jumat
Sabtu13 0,5 0,5 100 88,72% Sabtu
Sabtu14 0,5 0,5 100 88,66% Sabtu
Sabtu15 0,5 0,5 100 88,63% Sabtu
Minggu13 0,5 05, 100 89,70% Minggu
Minggu14 0,5 0,5 100 89,34% Minggu
Minggu15 0,5 0,5 100 89,59% Minggu
-
8/11/2019 YAYUK ANGGRAINI
46/50
Daritabel 4.1 didapatkan tingkat pengenalannya 86.87% dengan learning rate 0,5,
momentum 0,5 dan epoch 100. Sedangkan dari tabel 4.2 didapatkan tingkat
pengenalannya 89.05% dengan learning rate 0,5, momentum 0,5 dan epoch 100.
-
8/11/2019 YAYUK ANGGRAINI
47/50
-
8/11/2019 YAYUK ANGGRAINI
48/50
BAB 5
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan hasil analisis dan pengujian pada bab bab sebelumnya, dapat diambilkesimpulannya
1.
Jaringan saraf tiruan propagasi balik yang telah dilatih dengan data pola kata
(nama-nama hari) dapat digunakan untuk mengenali tulisan tangan dengan
bentuk hurub jawi (arab melayu).
2. Pada pelatihan dengan menggunakan learning rate 0,5, momentum 0,5 dan
epoch 100 didapatkan hasil 86.87 %.
3.
Dari hasil pengujian diperoleh dengan learning rate sebesar 0.5, momentum
sebesar 0,5 dan epoch 100 didapatkan hasil 89.05%.
4. Semakin tinggi learning ratedan momentumnya maka semakin sedikit epoch
yang diperlukan jaringan untuk mencapai solusi tersebut. Semakin tinggi
tingkat kecocokannya maka semakin rendah tingkat keerrorannya.
5. Dari hasil pengujian yang dilakukan dicapai tingkat pengenalan sebesar
89.05% dengan menggunakan metodezoning.
5.2. Saran
yang digunakan hanya dilatih hingga mencapai batas error0.32. Setelah melakukan
pelatihan nilai error yang dicapai belum tentu merupakan nilai minimum. Maka untuk
pelatihan selanjutna perlu dilakukan hingga mendapatkan tingkat yang lebih baik lagi.
-
8/11/2019 YAYUK ANGGRAINI
49/50
DAFTAR PUSTAKA
Bosker, M. 1992.Omnidocument Technologies.Proceeding of the IEEE.80
: 1066-1078.
Emanuel, A. W. J. dan Hartono, A.Juni 2008.Pengembangan Aplikasi Pengenalan
Karakter Alfanumerik Dengan Menggunakan Algoritma Neural Network Three-
Layer Backpropagation.Jurnal. Bandung, Indonesia : Universitas Kristen
Maranatha.
Graupe, D. 2007. Principles of Artificial Neural Networks (2nd edition). Chicago:
World Scientific.
Haryando, E. D. dan Susanto, L. W. 2011.Penerapan Jaringan Saraf Tiruan metode
Propagasi Balik Dalam Pengenalan Tulisan Tangan Huruf JepangJenis
Hiragana dan Katakana.Jurnal. Bandung, Indonesia : Universitas Kristen
Maranatha.
Khairunnisa. 2012.Pengenalan Tulisan Tangan Bersambung Menggunakan Jaringan
Saraf Tiruan Propagasi Balik. Sekripsi. Medan, Indonesia: Universitas
Sumatera Utara.
Kusumadewi, S. (2003).Artificial Intelligence (Teknik dan Aplikasinya).1 Januari
2003.Penerbit Graha Ilmu Yogyakarta.
Pardede, J. 2001. Studi Perbandingan Beberapa Algortima Thinning Dalam
Pengenalan Pola.Skripsi. Medan: Universitas Sumatera Utara.
-
8/11/2019 YAYUK ANGGRAINI
50/50
40
Prakoso, T. dkk.Pengenalan Pola Huruf arab Tulis Tangan Menggunakan JAringan
Saraf Tiruan dengan MEtode Perambatan Balik.Jurnal. Semarang, Indonesia :
Universitas Diponegoro.
Plamondon, R. & Srihari, S.N. 2000. On-line and off-line handwriting recognition: a
comprehensive survey. IEEE Transactions on Pattern Analysis and Machine
Intelligence22(1): hal. 63-84.
Puspitaningrum, D. 2006.Pengantar Jaringan Saraf Tiruan. Yogyakarta: Andi Offset.
Putra, D. 2009. Sistem Biometrika Konsep Dasar, Teknik Analisis Citra, dan Tahapan
Membangun Aplikasi Sistem Biometrika. Yogyakarta: Andi.
Putra, N. 2012. Peningkatan Nilai Fitur Jaringan Popagasi Balik Pada Pengenalan
Angka Tulisan Tangan Menggunakan Metode Zoning dan Diagonal Based
Feature Extraction.Skripsi. Medan, Indonesia: Universitas Sumatera Utara.
Safitri, I. 2010. Penggunaan Jaringan Saraf Tiruan untuk Pengklasifikasian Status
Gizi. Skripsi. Malang, Indonesia : Universitas Islam Negri Maulana MAlik
Ibrahim: Malang.
Solomon, C & Breckon, T. 2011.Fundamentals of Digital Image Processing A
Practical Approach with Examples in Matlab. UK: John Wiley & Sons, Inc.
Swastika, W. 2009.Pengenalan karakter dengan menggunakan artificial nueral
network.PC Media 9: hal. 120.